[发明专利]基于NBDP聚类的无线传感器网络恶意节点检测方法

说明书

本发明公开了一种基于NBDP聚类的无线传感器网络恶意节点检测方法，采用DCRP算法和NBDP聚类，每个簇选出一个符合条件的监测节点负责计算本簇内节点的累计转发率并以多跳路由的形式发送给汇聚节点，汇聚节点实施NBDP聚类筛选出恶意节点，从而达到检测选择性转发攻击的目的。本发明首先利用DCRP算法对网络进行分簇，每个簇内选出一个监测节点，再利用监测节点计算累计转发率，汇聚节点对累计转发率实施NBDP聚类筛选出恶意节点，在能耗允许的情况下，本发明具有快速高效检测的优势、具有较低的误检率和漏检率。

技术领域

本发明属于无线传感器网络技术领域，具体涉及一种基于噪声密度峰值(Noise-Based Density Peaks，NBDP)聚类的无线传感器网络恶意节点检测方法。

背景技术

无线传感器网络(Wireless Sensor Network，WSN)作为一种新兴的网络系统，是由大量部署在监测区域内的微型、廉价传感器节点组成并以无线多跳的通信方式形成的。在军事和民用领域有着广阔的市场，因此对无线传感器网络的安全保护需求日益突出。

无线传感器网络中的传感器节点由于计算和存储能力有限且由于通信开放和不设定防御机制而容易受到不同类型的攻击。对无线传感器网络攻击有来自外部的攻击和混进内部的攻击。选择性转发攻击是最重要的内部攻击之一，被其攻击的恶意节点会随机丢弃全部或部分数据包。与此同时，信道质量差也会导致节点丢弃数据包。因此，在某些情况下，恶意节点与信道质量差的节点的丢包行为不可区分，这也是目前亟待解决的一个问题。

在实施选择性转发攻击检测前，需要对无线传感器网络进行分簇。DCRP(Diffusion Clu stering scheme and hybrid energy balanced Routing Protocol，扩散聚类方案和混合能量均衡路由协议)的分簇算法是通过从中心基站扩散成簇。第一个簇首是中心基站，第一个簇内包括基站周围的单跳节点并从中选出符合条件的监测节点。通过公式(1)计算出下一跳簇首及成员节点和监测节点，以此类推。该分簇算法综合考虑了各参数的影响，减少了簇的个数，提高了无线传感器网络的能量平衡和能量利用效率。

对于选择性转发攻击，研究者提出了许多检测方案。基于信誉值的方案通过将节点的信誉值与预设或自适应的阈值进行比较来检测选择性转发攻击，但无法区别恶意节点和信道质量差的节点。近年来，机器学习中的聚类算法在恶意节点检测中越来越受到研究者的关注。由于信道质量差是由环境因素造成的，通常发生在无线传感器网络布局范围内的某一块区域，而恶意行为则是随机单独出现的，因此，可以通过数据聚类算法检测这些恶意行为。数据聚类算法包括K-means、K-medoids、KNN(K Nearest Neighbor，K最近邻)、DBSCAN(Den sity-Based Spatial Clustering Applications with Noise，基于密度的噪声空间聚类)、密度峰值(Density Peaks，DP)聚类等等。

K-means和K-medoids是基于距离的数据聚类方法。由于其简单、分类效率高，在恶意节点检测中得到了广泛的应用。它将数据集分为K个类，使得在同一类中的点具有较高的相似度，而在不同类中的点相似度较低。K-medoids是一种基于K-means的改进算法，可以随机选择初始K个聚类中心，然后通过检索其他所有点到K个点中的最小距离来选择优化聚类中心。但这两种方法中的K值需要事先设定，K值设定的正确与否会直接影响聚类结果，同时，这两种方法不会识别出任何噪声点。

为了避免事先设定K值和在聚类结果中寻找噪声点，基于密度的聚类算法DBSCAN被提出。DBSCAN要求在给定半径(Eps)中，一个簇中每个点的邻域包含的点的数量必须超过最小点数(MinPts)。在原始DBSCAN算法中，需要提前设定MinPts和Eps这两个重要参数。针对无线传感器网络中的选择性转发攻击检测，研究者曾提出基于动态参数的DBSCAN(D P-DBSCAN，Dynamic Parameter DBSCAN)改进算法，MinPts和Eps可根据网络场景的不同而改变，从而更能适应网络不断变化情况下的恶意节点检测。